基于GA-LSSVM模型的管道腐蚀速率预测研究

腐蚀速率是反映管道腐蚀动力学过程的重要特征参数,为实现对管道长期运行可靠性和剩余寿命的精准评估,对腐蚀速率的预测显得尤为重要.最小二乘支持向量机(LSSVM)是一种基于机器学习的方法,常用于分类和预测研究,惩罚参数γ与核参数σ2是LSSVM的2个重要参数,在进行计算时只能经验取值,对计算结果影响较大.通过利用遗传算法(...     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

起重机载荷谱回归预测的LSSVM模型优化研究EI北大核心CSCD

准确获取在役起重机正常工作状态下的载荷谱是预测和评估起重机疲劳剩余寿命的必要条件,但由于起重机载荷的不确定性、多样性和随机性,以及现场实测环境的复杂性,导致起重机载荷谱数据获取仍然十分困难。为解决起重机载荷谱预测样本容量小和准确性低的问题,基于优化算法和机器学习技术,提出了一种改进的天牛须搜索算法(improved beetle antennae search,IBAS)优化最小二乘支持向量机(least square support vector machine,LSSVM)模型,建立IBAS-LSSVM载荷谱预测模型。在传统的天牛须搜索算法的基础上,通过反正切函数控制步长的更新,并设置能够跳出算法停滞的方法,避免算法陷入局部最优,提升了算法的全局寻优性能。以某型号通用桥式起重机为例,利用IBAS-LSSVM模型对起重机的小样本载荷谱进行回归预测和分析。结果表明,同其他回归预测模型相比,IBAS-LSSVM预测模型具有更高的预测精度、较快的收敛速度和更好的泛化性能,也避免了陷入局部极小值的问题,该方法对起重机载荷谱的回归预测和进一步的疲劳剩余寿命评估具有重要意义。     

基于LSSVM的磁瓦表面瑕疵偏向性分类

针对磁瓦表面缺陷检测方法分类准确率低的问题,提出一种基于LSSVM技术的瑕疵偏向性分类方法。构造5个尺度8个方向Gabor滤波器组,提取经过Gabor变换后生成的40副子图的均值与方差为磁瓦图像特征。采用耦合模拟退火算法初步寻优,在所得初步参数的邻域使用网格算法进行精细搜索。为实现对缺陷磁瓦的偏向性预测分类,改进了虚拟少数类过采样算法。去除原始训练样本中的噪声样本数据,再在瑕疵边界样本与合格样本之间过采样。实验结果表明,最小二乘支持向量机分类器模型训练时参数寻优时间明显缩短,整体分类正确率达到95.56%,偏向性分类正确率达到99.09%,实现对缺陷磁瓦的偏向性分类。     

基于自适应递推LSSVM的硅锰合金成分在线预测

针对硅锰合金埋弧熔炼过程的特点,提出了一种基于自适应递推最小二乘支持向量机(ARLSSVM)的合金成分在线预测模型.该模型以实测工况参数为数据集,当新增一个样本时,分别采用增长记忆递推算法、限定记忆递推算法和缩减记忆递推算法训练最小二乘支持向量机( LSSVM),有效避免高维矩阵的求逆,加快模型更新的速度.然后通过自适...     

改进果蝇优化LSSVM超声波萃取产物浓度软测量

针对超声波天然产物萃取过程中产物浓度难以在线检测的问题,提出了一种改进果蝇优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的超声波萃取产物浓度软测量建模方法。首先将混沌优化与迭代步长动态调节方法相融合,提出了一种混沌动态步长改进果蝇优化算法(Chaos Dynamic Step Fluit Fly Optimization Algorithm,CDSFOA),该算法引入动态调节因子对步长动态更新,并利用混沌优化实现各变量之间映射等操作,能够有效提高果蝇优化算法的收敛精度和收敛速度,然后利用CDSFOA对LSSVM进行参数寻优,构建最优CDSFOA-LSSVM软测量模型,最后利用超声波斛皮素萃取实验数据进行验证。结果表明,提出的模型不仅有较好的学习和泛化能力,而且具有良好的预测精度,可为超声波天然产物萃取工艺优化提供理论指导。     

基于LSSVM的多元过程非参数监控方法研究

多元控制图常用于对多个相关变量进行监控,用以发现制造过程中存在的系统性变异。当多元过程的分布未知时,常用非参数方法进行过程监控。针对多元过程监控问题,提出了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的多元过程非参数监控方法。在仅有受控数据(参考数据集)的条件下,采用移动窗口技术对过程数据序列进行预处理,并与参考数据集一起用于对LSSVM进行动态训练,进而以移动窗口中的数据与分类超平面之间的距离为控制变量进行多元过程监控。讨论了监控模型设计与参数选择方法并通过仿真和实例进行了性能评估。     

基于功能驱动的产品价格预测

以最小二乘支持向量机为工具,构建了基于功能驱动的产品价格预测模型.并以诺基亚手机产品价格预测为例,说明了样本功能数据标准化的原则及模型的计算过程.经随机选用2005年度诺基亚两款手机价格预测检验,模型预测误差分别为-11.89%、10.27%.     

基于LS-SVR岩石爆破块度预测

为了准确预测小样本条件下露天矿山岩石的爆破块度,并得到小样本条件下预测露天矿山爆破块度的有效方法,借助最小二乘支持向量机工具(LS-SVMlab)构建基于最小二乘支持向量机回归(LS-SVR)预测模型并合理优化模型参数。分别使用15组露天矿山爆破数据和35组爆破数据作为小样本容量和正常样本容量,对模型的预测精度进行检验。结果表明:两种样本容量下LS-SVR预测模型的预测结果精度都比同样本容量下人工神经网络(ANN)回归预测的结果精度更高,说明所提出的LS-SVR模型适用于预测露天矿山爆破块度,并且在小样本条件下更具优势。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

基于PSO优化LS-SVM算法的水电站厂房结构振动响应预测

振动问题是攸关水电站运行安全的重要课题。水电站厂房结构振动主要由水力、机械和电气三大类振源引起,厂房结构与机组之间存在非线性的耦联振动关系。本文依据二滩水电站地下厂房和机组的原型观测数据,首先对机组和厂房结构振动的相关性进行了分析,据此建立了基于粒子群优化最小二乘支持向量机算法的厂房振动响应预测模型,预测结果与实测资料吻合。在此基础上,本文将运行水头作为输入因子引入到智能预测模型中,扩大了该智能预测模型的适用范围,取得了很好的效果。     

最小二乘支持向量机的扩展及其在时间序列预测中的应用

根据时间序列近期数据较远期数据包含有更多未来信息的思想,对最小二乘支持向量机预测方法进行了扩展,得到了更具一般性的最小二乘支持向量机预测模型,给出了扩展后的预测模型具体算法。两个时间序列的预测实例表明,扩展后的预测方法获得了更好的预测效果,提升了最小二乘支持向量机预测方法的价值。     

基于改进果蝇算法与最小二乘支持向量机的轧制力预测算法研究

铝合金板材精轧过程中,轧制力是影响板材质量的重要因素。为了满足轧制现场的轧制力预报精度要求,采用改进果蝇算法(FOA)与最小二乘支持向量机(LSSVM)相结合进行轧制力预测。改进了果蝇算法的味道浓度判定函数和步长设定方法,采用了分组并行搜索的策略,进而提出一种基于改进FOA-LSSVM的轧制力智能预报方法。将该方法用于铝热连轧现场数据的仿真实验,结果表明样本预测误差在10%以内,其中84%的样本误差在5%以内,精度优于传统模型。     

反馈精英鲸鱼优化算法优化LSSVM的热耗率软测量建模

提出一种基于反馈精英鲸鱼优化算法(FEWOA)和最小二乘支持向量机(LSSVM)的综合建模方法。首先,针对鲸鱼优化算法(WOA)寻优精度低的问题,提出了反馈精英WOA算法,通过精英策略对当前最优解进行变异操作以避免算法陷入局部最优解;同时,在鲸鱼位置更新后期增加反馈阶段,提高算法的全局搜索能力。数值仿真实验验证了FEWOA算法的优越性。在此基础上,提出了基于FEWOA优化LSSVM的热耗率软测量模型。最后采用某汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,将FEWOA-LSSVM模型预测结果与其它模型预测结果相比较,结果表明,FEWOA-LSSVM预测模型更能准确地预测汽轮机的热耗率。     

基于GA-LSSVM预测的Hilbert-Huang变换端点效应问题处理

针对Hilbert-Huang变换中的端点效应,利用基于遗传算法(Genetic Algorithm, GA)的最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)数据延拓方法对信号及其各内禀模态函数(Intrinsic Mode Function, IMF)分量进行延拓,在一定程度上克服了Hilbert-Huang变换中的端点效应,实现了准确的Hilbert-Huang变换.     

最小二乘支持向量机在热舒适性PMV指标预测中的应用研究

介绍了一种新型的机器学习算法一最小二乘支持向量机的原理，并针对预测PMV指标建立了最小二乘支持向量机预测模型。该模型的预测结果表明，最小二乘支持向量机预测准确度高，计算过程速度快，可以满足以PMV指标作为被控参数的空调系统控制的要求。     

一种基于图像特征提取的浮选回收率预测算法

针对矿物浮选过程中的一类回收率预测问题,提出了一种基于泡沫图像特征提取的预测算法.该算法采用最小二乘支持向量机(LSSVM)建立预测模型,通过施密特正交化对核矩阵进行简约,利用核偏最小二乘方法(KPLS)进行LSSVM参数辨识,以此构造具有稀疏性的LSSVM,有效地减小了算法的计算复杂度.为检验模型泛化及预测能力,为多个泡沫特征信息引入预测模型,采用泡沫图像特征提取方法提取泡沫颜色、速度、尺寸、承载量及破碎率特征.实验结果表明,该预测算法对浮选回收率具有良好预测效果.     

基于改进的中值滤波算法与最小二乘支持向量机的指纹图像识别研究

人类指纹的不变性和唯一性使得指纹识别技术成为目前应用最广泛、最可靠的身份验证技术。首先建立完整的指纹识别系统,通过预处理、特征提取和分类识别3个过程,实现了指纹的分类识别;然后分析标准中值滤波实现原理和缺陷不足;针对算法缺陷不足,提出加权自适应中值滤波算法,介绍算法的实现原理,并对比本文算法与标准中值滤波算法的处理效果;最后,在识别阶段采用最小二乘支持向量机训练指纹样本,进行指纹识别实验,并对实验结果进行了比较。     

基于SVM的短期风电功率预测

该文针对风电功率的强非线性、大波动性特点,提出一种支持向量机（SVM）短期风电功率预测方法,并给出了具体的建模过程和流程。最后选用国内某风电场的实际运行数据进行验证,并与传统的BP神经网络算法进行了对比,结果表明：该文提出的风电功率预测方法能更好地跟踪风电功率的变化,而且该预测模型的预测精度更高,能更好地提供风电功率预测数据。